«Почему хай-тек-компании не попали в… список? Большинство компаний сектора высоких технологий было исключено, поскольку они не укладываются в нашу схему “от хорошего к великому”. Нам надо, чтобы история компании насчитывала как минимум 30 лет, чтобы войти в исследование (15 лет удовлетворительных результатов, за которыми следуют 15 лет выдающихся результатов). Из всех компаний в области высоких технологий, существующих больше 30 лет, ни одна не следовала такой схеме развития. У Intel, например, не было 15-летнего периода хороших результатов; Intel всегда была великой»[10].
Главный подход к исследованию на основе данных: Сравнение двух групп
Лучший и самый известный пример этого подхода – А/Б-тестирование. Например, мы исследуем, какая версия сайта лучше продает товар. Для этого одну группу посетителей направляем на первую версию, другую – на вторую. Сравниваем результаты продаж, получаем ясный результат: такая-то продает лучше.
Хотя А/Б-тестирование помогает решать много практических задач, у него есть ограничения. Анализ статистики сайта – одна из немногих ситуаций, когда попадание участников теста в разные группы можно считать случайным. В основной части реальных задач сравниваемые группы формируются более закономерным путем.
Почему очень важно сравнивать то, что «хорошо», с тем, что «плохо», мы говорили выше. При этом нужно четко сформулировать критерий «хорошего» и «плохого». В случае с сайтом интернет-магазина ответ прост: количество продаж. Но для более сложных исследований необходимо сформулировать, что именно мы сравниваем и по какому параметру. То есть что будет объектом замеров, а что – целевым параметром.
Например, для пушки в одном случае это будет дальность, а в другом – способность разрушать укрепления. Причем если нам важна конкретная дальность, а не максимальная, то мы можем вычислить углы наклона, при которых пушка будет делать «хорошие» выстрелы – наиболее близкие к цели. А если важнее разрушение стен – углы, при которых из стены-цели будет вылетать максимальное количество кирпичей.
Тот же подход используется и для исследования организации. Например, мы определяем, сколько нужно платить сотрудникам, чтобы уменьшить текучесть. Для этого сравниваем различные уровни оплаты с целевым параметром – как много сотрудников увольняется из организации.